Numpy数组的属性

NumPy中最重要的一个特点就是其n维数组对象，即ndarray(别名array)对象，该对象具有矢量算术能力和复杂的广播能力，可以执行一些科学计算。不同于Python内置的数组类型， array对象拥有对高维数组的处理能力，这也是数值计算中缺一不可的重要特性。

概念解答：

什么是Numpy的矢量运算能力？

Numpy的矢量运算能力是指它能够对数组中的每个元素执行相同的操作，而不需要编写循环。这种操作被称为矢量化操作，它不仅可以简化代码，还能显著提高性能。

元素级操作：Numpy允许你对数组的每个元素执行数学运算，如加法、减法、乘法和除法。这些操作会自动应用到数组的每个元素上。

import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = a + b  # 结果是 [5, 7, 9]

广播（Broadcasting）：Numpy可以自动扩展数组的维度，使得不同形状的数组可以进行数学运算。这是通过“广播”机制实现的，它允许较小的数组沿着缺失的维度“广播”其值。

a = np.array([1, 2, 3])
b = np.array([[2], [3], [4]])
c = a * b  # 结果是 [[2, 4, 6], [3, 6, 9], [4, 8, 12]]

聚合操作：Numpy提供了多种聚合函数，如sum、mean、max、min等，它们可以对数组的元素进行聚合计算。

a = np.array([1, 2, 3])
total = np.sum(a)  # 结果是 6

布尔运算：Numpy支持布尔数组，可以进行元素级的布尔运算，如逻辑与（&）、逻辑或（|）和逻辑非（~）。

a = np.array([True, False, True])
b = np.array([True, True, False])
c = np.logical_and(a, b)  # 结果是 [True, False, False]

矢量化的函数：Numpy提供了许多数学函数，如sin、cos、exp等，它们可以对数组的每个元素执行相应的数学运算。

a = np.array([0, np.pi/2, np.pi])
sine_values = np.sin(a)  # 结果是 [0, 1, 0]

矩阵运算：Numpy的dot函数可以执行矩阵乘法，这是线性代数中的基本操作。

a = np.array([[1, 2], [3, 4]])
b = np.array([5, 6])
c = np.dot(a, b)  # 结果是 [17, 39]

ndarray对象中定义了一些重要的属性，具体说明见下表。

属性	说明
ndarray.ndim	数组轴的个数，比如二维数组有两个轴，它的ndim属性的值为2
ndarray.shape	数组维度的元组，元组中各个元素表示每个维度上数组的大小。例如，一个n行和m列的二维数组，它的shape属性的值为(n,m)
ndarray.size	数组元素的总个数，等于shape属性中元组元素的乘积
ndarray.dtype	描述数组中元素类型的对象，既可以使用标准的Python类型创建或指定，也可以使用NumPy特有的数据类型来指定，比如numpy.int32、numpy.float64等
ndarray.itemsize	数组中每个元素占用的内存大小，单位为字节。例如，元素类型为float64的数组，该数组中各元素占用的内存大小为8字节，这相当于ndarray.dtype.itemsize